基于混沌精英和Lévy飞行策略的鲸鱼优化算法

针对鲸鱼优化算法(Whale Optimization Algorithm,WOA)存在的收敛速度慢、精度低的问题,提出了基于Tent混沌精英和Lévy飞行策略的鲸鱼优化算法(TELWOA)。使用Tent混沌映射初始化鲸鱼种群,保持种群的多样性,并通过引入精英反向学习策略,对初始种群的精英个体生成反向解,选取适应度高的种群作为下一代鲸鱼种群,加快算法收敛速度。其次,通过使用非线性收敛因子,缓解算法全局搜索和局部搜索能力不平衡的现象。最后,在鲸鱼位置寻优过程中使用Lévy飞行策略,避免算法陷入局部最优,提升算法的全局搜索能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析,证明了TELWOA算法在收敛精度、算法稳定性和全局寻优能力上与对比算法有显著提升,具有一定的实际工程应用能力。

基于Lévy飞行微粒群算法的液压系统可靠性优化

针对微粒群算法易于陷入局部最优解、早熟的缺点,将Lévy飞行引入微粒速度迭代公式中,并动态改变微粒群速度迭代公式中Lévy飞行的权重值,提出动态Lévy飞行微粒群算法。根据T-S故障树理论,建立液压支架液压系统的可靠性模型,进而得出可靠性费用目标函数。将提出的动态Lévy飞行微粒群算法应用于液压支架液压系统的可靠性优化中,并通过标准微粒群算法、布谷鸟搜索算法和基于Lévy飞行微粒群算法比较,验证所提出算法的优越性。

一种基于lévy飞行轨迹的果蝇优化算法

针对果蝇优化算法是模仿果蝇寻找食物行为而进行全局搜索最优解的新算法,该算法存在容易陷入局部最优解和收敛速度慢的缺点,提出一种基于lévy飞行轨迹的改进果蝇优化算法。引入lévy飞行轨迹随机性,将它应用在果蝇算法中的个体嗅觉寻找食物的随机方向上增加搜索的多样性和搜索的范围。最后通过数值仿真实验对8个标准测试函数来进行作对比检验,结果表明该算法在求解高维函数优化问题更好。

融合学习差异与Lévy飞行的动态平衡正余弦算法

为了提升正余弦算法的收敛性能,本文提出一种融合学习差异与Lévy飞行的动态平衡正余弦改进算法,定义为SCALLD算法。通过引入学习差异策略,减少搜索个体对其位置信息的依赖,增强全局探索能力;加入Lévy飞行机制,丰富种群多样性,提升探索能力;采用动态平衡策略,平衡探索与开发能力,提高收敛速度和稳定性。在CEC2022基准测试函数上的实验表明,与六种算法相比,SCALLD展现出更优的收敛性能和稳定性,Wilcoxon秩和检验进一步证明了SCALLD的竞争优势,为解决复杂优化问题提供参考。

基于Lévy飞行的风驱动优化算法

针对风驱动优化算法易陷入局部极值的缺陷,本文提出一种基于Lévy飞行的风驱动优化改进算法。改进算法使用Lévy分布对迭代搜索到目前为止的最优空气质点进行随机扰动,扰动结果作为被选择变异的空气质点的更新位置,此策略充分利用Lévy飞行频繁的短距离局部搜索与偶尔较长距离游走的特性,加快算法局部搜索速度和引导算法跳出局部极值。在对10个测试函数的性能分析实验结果表明,改进算法的寻优性能较WDO、AWDO、GWDO、PSO、GA、FPA等算法有显著提升,从而验证了所提改进策略的有效性。

自学习策略和Lévy飞行的正弦余弦优化算法

针对正弦余弦算法(SCA,sine cosine algorithm)局部搜索能力差的缺陷,提出自学习策略和Lévy飞行的正弦余弦优化算法(SCASL,sine cosine optimization algorithm with selflearning strategy and Lévy flight)。首先,提出正弦余弦算法自学习策略和非线性权重因子,使搜索个体记忆自身历史最优位置,在寻优过程中指导搜索个体更新位置,提高SCA的局部搜索能力;算法寻优后期,当搜索陷入局部最优时,采用基于Lévy飞行的停滞扰动策略使算法跳出局部最优,提高SCA的局部最优规避能力。基于13个经典基准测试函数对算法性能进行测试的实验结果表明,SCASL相比标准SCA和较新的优化算法SSA,VCS,WOA,GSA,具有更高的计算效率,收敛精度以及更强的局部最优规避能力。求解无人作战飞机航迹规划的仿真结果表明,在有6个敌方威胁源的战场环境中,相比SCA,SCASL求解得到的飞行航迹具有更小的航迹代价。综上,所提出的SCASL具有较强的寻优能力。

一种基于Lévy飞行轨迹的蝙蝠算法

针对新型元启发式蝙蝠算法存在收敛速度慢、求解精度低的现象,文中提出一种基于Lévy飞行轨迹的蝙蝠算法.该算法具有易跳出局部最优,收敛速度快且求解精度高等特点.通过对12个典型的测试函数进行仿真实验,结果表明该算法是有效、可行的,且在求解高维空间问题中也表现出优越的逼近性能.

具有Lévy飞行特征的蝙蝠算法

针对基本蝙蝠算法易早熟、收敛精度低等不足,在分析蝙蝠算法优化机理和局限性的基础上,从算法仿生原理入手,采用Lévy飞行搜索策略更为真实地模拟蝙蝠的捕食行为,取代原有算法的速度和位置更新方式,充分利用Lévy飞行会产生较大跳跃这种不均匀随机游走的特性,有效避免局部极值的吸引.通过标准测试函数对所提算法进行仿真测试,结果表明所提算法有效克服了原算法易早熟、收敛精度低等缺陷,在寻优精度和全局收敛性能方面明显优于基本蝙蝠算法和粒子群优化算法,是解决复杂函数优化问题的一种有效工具.

基于Lévy飞行的粒子群算法在大地电磁反演中的应用

粒子群优化算法在大地电磁测深反演中相较于一般的线性反演算法具有多种优点。然而标准粒子群算法在多维优化问题中存在早熟问题,为此,采用基于Lévy飞行随机游走策略的优化粒子群算法来处理局部最优解,增加寻优能力。通过对地电模型的反演对比表明,改进后的粒子群算法相较于标准粒子群算法适应度值下降速度更快、寻优能力更好。最后将该算法应用于已知钻孔旁实测数据,结果较好,表明该算法具有较好的实用性。

具有Lévy飞行和反向学习的增强型人工蜂群算法

针对人工蜂群算法(artificial bee colony,ABC)存在寻优精度不高、收敛速度较慢、容易被局部极值吸引的不足,提出一种具有Lévy飞行和反向学习(opposition-based learning,OBL)策略的增强型人工蜂群算法(enhanced artificial bee colony algorithm with Lévy flight and opposition-based learning strategy,ELOABC)。首先,在雇佣蜂和观察蜂阶段,引入Lévy飞行改进新产生的解,由于Lévy飞行具有随机步长性,因此可以避免算法陷入局部最优;其次,在侦查蜂阶段,变异解由停滞解和当前最优解的位置决定,再结合反向学习策略生成变异解的反向解,保留两者中更好的解以提高算法解的精度;最后,利用15个基准测试函数对增强型人工蜂群算法的性能进行实验测试。实验结果表明,改进算法性能明显优于其他算法。

基于Lévy飞行的一种改进鲸鱼算法

针对鲸鱼优化算法种群初始位置不均匀、后期容易陷入局部搜索,以及收敛精度慢较差等情况,利用正态变异方案提高收敛速度与收敛精度。利用基于正弦函数的螺旋更新位置与非线性改进策略相互配合提高全局搜索能力。最后,使用航行战略在迭代后期增强全局搜查才能,使算法收敛到最优解。再选取23个测试函数对算法收敛速度与收敛精度进行研究。实验结果表明,LMWOA算法在收敛精度上是优于原始算法及本文选取的对比算法,阐明LMWOA算法有显著的改进成果。

基于改进鸟群算法的多目标微电网优化调度研究

为克服传统智能算法在微电网多目标优化调度中存在局部最优、过早收敛等问题,提高微电网调度的准确性、稳定性和收敛速度,提出了1种基于改进鸟群算法的多目标微电网优化调度策略。首先,分析了微电网多目标调度的影响因素,建立了基于最低经济成本及最小环境影响的微电网调度模型。其次,通过随机均匀分布自适应选择惯性权重系数,运用线性调整策略及学习系数平衡全局和局部搜索能力,提高鸟群算法的收敛速度和搜索精度,并基于Lévy飞行策略更新鸟类群体的空间位置,扩大搜索范围、丰富种群多样性,从而使所提方法跳出局部最优实现精准收敛。最后,通过搭建并网运行条件下的典型微电网场景进行仿真实验,并使用典型的测试函数将所提方法与其他成熟算法进行对比分析。实验结果表明,所提方法的全局优化性能、收敛精度、稳定性和收敛速度均优于其他对比方法,且具有良好的经济性和环境友好性,能够实现良好的多目标优化平衡。

多策略改进的蜣螂优化算法

为了解决蜣螂优化算法(Dung Beetle Optimizer,DBO)收敛精度低、容易陷入局部最优等问题,提出了一种名为多策略改进蜣螂优化算法(ImprovedDung Beetle Optimizer,IDBO).首先,引入Circle混沌映射策略,旨在提高和改善初始解的多样性.其次,为了避免算法陷入局部最优,引入了精英存档策略,用于蜣螂位置的更新,从而提升算法的局部寻优能力.最后,采用Lévy飞行策略,旨在提高种群多样性,使算法能够跳出局部最优.在六种不同类型的基准测试函数上仿真,并对实验结果进行数值分析,改进后的IDBO算法在解决高维复杂问题时具有精度高、收敛速度快、鲁棒性强等优势.

一种求解数值和工程问题的改进算术优化算法

算术优化算法是一种新的元启发式算法,在数值优化中具有良好的收敛速度和精度,但在处理优化问题时存在易陷入局部最优等问题。通过提升初始种群的质量、引入自适应权重和Lévy飞行策略等,文章提出了一种改进的算术优化算法(MAOA),并在CEC2022基准函数和CEC2020工程约束问题上对MAOA与对比算法进行了对比实验。统计结果表明,MAOA在性能上优于其他对比算法。

基于HLGOA优化神经网络的桁架桥动载识别

为加快蚱蜢优化算法的寻优速度进行分层并行计算,而为避免陷入早熟利用Lévy飞行机制对蚱蜢个体进行随机扰动,提出了分层Lévy飞行蚱蜢优化算法(HLGOA),并用以优化神经网络参数,利用神经网络对桁架桥的动载进行识别,数值模拟的识别结果说明该算法具有良好的识别效果。

基于改进黏菌优化算法的光伏多峰MPPT控制策略

当光伏阵列在局部阴影遮挡条件下时,传统最大功率点追踪控制策略易陷入局部最优解,降低光伏系统发电效率.为解决该问题,本文提出了一种基于改进黏菌优化算法的最大功率点追踪策略.该策略在黏菌优化算法的基础上,基于光伏阵列特性提出了新的边界条件,减小超出边界黏菌的迭代次数,增大算法的收敛速度;同时,引入了Lévy飞行策略优化其收敛准则,提升算法的随机搜索能力,进一步提高了算法的追踪速度.仿真和实验结果表明,该策略拥有较高的追踪速度和追踪精度,在各个光照条件下均能快速追踪到最大功率点,有效提高光伏系统的发电效率.

求解大规模优化问题的改进正弦余弦算法

针对正弦余弦算法(sine cosine algorithm,SCA)在求解大规模优化问题时收敛精度低、收敛速度慢和易陷入“维数灾难”的不足,提出一种带Lévy飞行的正弦余弦算法(sine cosine algorithm with Lévy flight,SCAL).SCAL算法通过将Lévy飞行分布与正弦余弦种群个体位置向量进行对应元素相乘运算,使Lévy飞行分布的特征和信息融入正弦余弦种群个体信息中,使其拥有Lévy飞行随机游走的特性,增强了个体局部开发和逃离局部极值的能力;采用基于空间距离的非线性参数调整方法,平衡算法的局部开发和全局搜索,提高了算法的收敛速度.在14个经典测试函数上,维度分别为100、1 000和5 000维时,与SCA、花授粉算法(flower pollination algorithm,FPA)、粒子群优化(particle swarm optimization,PSO)算法、麻雀搜索算法(sparrow search algorithm,SSA)和鲸鱼优化算法(whale optimization algorithm,WOA)5种群体智能算法进行仿真对比实验.结果表明,SCAL算法在收敛精度、收敛速度和鲁棒性上较5种群体智能算法优势明显.与解决大规模优化问题的改进狼群算法(improved wolf pack algorithm,IWPA)、改进花授粉算法(improved flower pollination algorithm,IFPA)、鲸鱼算法的两种改进版本IWOA(improved whale optimization algorithm)和MWOA(modified whale optimization algorithm)进行比较,发现SCAL的整体寻优结果优于对比算法,在求解大规模优化问题上具有显著优势和竞争力.

基于改进烟花算法的钢铁企业原材料采购优化

针对钢铁企业原材料采购成本偏高的问题进行了原材料采购优化研究。考虑到导致原材料采购成本偏高的因素是采购提前期不固定、原材料价格波动大等,建立了以降低采购、运输和库存成本为目标的整数规划模型,并提出了一种改进的烟花算法(FWA)对问题进行求解。该算法采用Lévy飞行搜索算子改进FWA搜索性能,利用惯性权重优化其收敛速度,使改进后的FWA具有收敛速度快、全局寻优能力强等优点。该改进的烟花算法叫LFWA。最后通过一个应用实例与其他算法进行了对比,进一步验证了该算法的有效性。

一种双种群协同多目标粒子群优化算法及应用

针对当前我国油田开采难度大、经济效益较低等问题,建立以利润最大化为优化指标,以年度增油目标、增液目标、增注目标为约束条件的多目标油田开采优化模型,并提出一种双种群协同多目标粒子群优化算法求解该优化模型.该算法通过双种群协同进化策略扩大搜索空间,提高算法的全局搜索能力,并结合Lévy飞行保证种群多样性,提高算法收敛效率.实验结果表明,该算法能有效求解油田开采优化模型,可优选出满足目标和约束条件的结果.

基于改进蝙蝠算法的微电网优化研究

为了协调微电网中各微电源的优化调度,文中研究了涵盖光伏、风电、储能、燃气轮机和燃料电池的分布式电源,在微电网并网与孤岛运行条件下,建立了以发电费用和污染物处罚费用最低的目标函数,并采用了具有Lévy飞行特征的蝙蝠算法求得一个调度周期内各个分布式电源的最优出力及总运行成本,最后将仿真结果与基本蝙蝠算法的结果相比较,从而验证了该文所研究的优化模型及改进后算法的可行性。